联合循环平稳特征PCA与XGBoost的频谱感知

发布时间：2020-12-19 05:21

　　针对低信噪比条件下主用户信号检测概率低的问题,提出一种基于循环平稳特征主成分分析与极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)的主用户信号频谱感知算法。在信号各循环频率不为零值的情况下,提取能量最大的信号循环谱,通过PCA对循环谱特征进行降维处理,生成训练样本和测试样本。利用训练完成的XGBoost算法对待检测的信号进行分类,实现主用户信号是否存在检测。实验结果表明:与支持向量机算法、随机森林算法和传统循环谱算法相比较,该算法在低信噪比和低虚警率情况下具有更优的检测性能。 

【文章来源】：计算机应用与软件. 2020年04期 北大核心

【文章页数】：6 页

【部分图文】：

模型在各信噪比测试数据上AUC值

图2为在信噪比分别为-12 dB、-16 dB情况下基于XGBoost、RF、SVM的循环平稳特征算法与传统循环平稳特征算法ROC曲线的比较,可以看出基于机器学习的改进算法在各虚警率处均明显高与传统算法。而基于XGBoost的改进算法在各信噪比的检测概率均优于基于SVM和RF的改进算法。如表2所示,在虚警率为0.01、0.03、0.05、0.07处,测试数据-12 dB时,XGBoost改进算法的检测概率相对于SVM改进算法分别提升8.53%、5.34%、5.92%、5.17%,相对于RF改进算法分别提升7.62%、7.31%、6.81%、3.62%。如表3所示,测试数据为-16 dB时,XGBoost改进算法的检测概率相对于SVM改进算法分别提升13.48%、13.95%、12.18%、9.48%,相对于RF改进算法分别提升13.11%、11.03%、16.25%、12.84%。这说明XGBoost改进算法在低虚警率情况下提升明显。表2 SNR为-12 dB,各算法在低虚警率处检测概率比较 算法 1% 3% 5% 7% XGBoost 0.847 8 0.942 1 0.967 3 0.972 3 SVM 0.781 1 0.894 3 0.913 2 0.924 5 RF 0.787 7 0.878 0 0.905 7 0.938 4 XHP 0.295 4 0.440 8 0.501 6 0.558 3

图3为在虚警率为0.05的情况下,当信噪比大于等于-8 dB时,各算法均达到或接近100%的检测概率。在信噪比小于等于-10 dB时,基于机器学习的改进算法大幅优于传统的循环。XGBoost算法在低信噪比时也全面优于SVM算法和RF算法,在信噪比为-14 dB、-16 dB、-18 dB、-20 dB时,XGBoost算法相对于SVM算法分别提升了11.05%、12.21%、20.36%、23.53%,相对于RF算法分别提升了12.42%、14.54%、11.13%、12.24%。这说明XGBoost算法有更好的抗噪声能力。6 结 语


本文编号：2925333